变压器故障诊断方法、装置、设备和计算机可读存储介质制造方法及图纸

本申请实施例公开了一种变压器故障诊断方法、变压器故障诊断装置、计算机设备和计算机可读存储介质。其中，方法包括如下步骤：获取变压器油中的多种气体的参数信息，参数信息包括气体浓度、气体比例；构建诊断模型，诊断模型由第一模型和第二模型融合训练得到，第一模型用于特征提取，第二模型用于特征分类；将参数信息输入诊断模型中，当根据诊断模型确定变压器为故障状态时，生成故障信息并输出。因此，本申请能够通过构建由第一模型和第二模型融合训练的诊断模型进行诊断，在发挥第一模型数据处理优势的同时，兼顾第二模型在处理变压器油中气体多特征融合数据具有更高效、更准确的优点。点。点。

【技术实现步骤摘要】
变压器故障诊断方法、装置、设备和计算机可读存储介质


[0001]本申请属于变压器故障监测
，特别是涉及一种变压器故障诊断方法、变压器故障诊断装置、计算机设备和计算机可读存储介质。

技术介绍

[0002]随着人工智能技术(AI)的快速推进，当今世界已经跨入大数据时代，大数据时代下，人类活动和各类社会硬件设施都会通过一张无形的数据网有序的结合连接。电力系统是这张网中的动脉结构，而变压器在电力系统这个大动脉结构中，承担着监测和调节的重要作用。作为电力系统中的关键环节，变压器的实时状态和故障的发生直接对电力系统的正常稳定运行产生极大的影响。目前，变压器故障诊断主要方法是对于变压器油中溶解的各类气体的分析，如变压器油中的各类气体的浓度、比例等相关特征，从而确定变压器的实时状态，以在变压器有故障时及时进行诊断。
[0003]然而，在目前电力系统领域中，用于变压器的故障分类诊断往往局限于随机森林算法、支持向量机等传统机器学习算法。使用单一机器学习算法去分析海量变压器的数据，会造成所提取出的特征值出现过拟合等问题，从而造成产生数据的真实性降低。如何提高变压器故障诊断的准确性和稳定性是本领域技术人员亟待解决的技术问题。
[0004]前面的叙述在于提供一般的背景信息，并不一定构成现有技术。

技术实现思路

[0005]基于此，有必要针对上述问题，提出了一种变压器故障诊断方法、变压器故障诊断装置、计算机设备和计算机可读存储介质。
[0006]本申请解决其技术问题是采用以下的技术方案来实现的：r/>[0007]本申请提供了一种变压器故障诊断方法，包括如下步骤：获取变压器油中的多种气体的参数信息，参数信息包括气体浓度、气体比例；构建诊断模型，诊断模型由第一模型和第二模型融合训练得到，第一模型用于特征提取，第二模型用于特征分类；将参数信息输入诊断模型中，当根据诊断模型确定变压器为故障状态时，生成故障信息并输出。
[0008]在本申请一可选实施例中，构建诊断模型，包括：获取与参数信息对应的原始数据，对原始数据进行预处理，预处理包括数据划分、归一化处理、特征提取和标签设置；构建第一模型，利用预处理后的原始数据对第一模型进行预训练；构建第二模型，获取第一模型经过预训练后输出的特征信息，利用特征信息对第二模型进行训练；根据预训练后的第一模型和训练后的第二模型构建诊断模型。
[0009]在本申请一可选实施例中，第一模型为卷积神经网络模型，卷积神经网络模型包括至少一个卷积层；构建第一模型，包括：获取预设的卷积层输入神经元个数、卷积大小、输入端填充值和步长；根据卷积层输入神经元个数、卷积大小、输入端填充值和步长确定卷积层的神经元维数；根据神经元维数对卷积层进行设置，以构建卷积神经网络模型。
[0010]在本申请一可选实施例中，训练后的第二模型为支持向量机模型；根据预训练后
的第一模型和训练后的第二模型建立得到诊断模型，包括：将卷积神经网络模型中的Softmax分类器替换为支持向量机模型，构建得到诊断模型。
[0011]在本申请一可选实施例中，利用特征信息对第二模型进行训练，包括：通过布谷鸟搜索算法对第二模型进行迭代调参，得到第二优化模型；根据构建的第一模型和第二优化模型构建得到诊断模型。
[0012]在本申请一可选实施例中，通过布谷鸟搜索算法对第二模型进行迭代调参，得到第二优化模型，包括：获取预设的初始鸟巢位置最佳状态，设定第二模型的初始参数和搜索参数，初始参数包括初始惩罚参数和初始核参数，搜索参数包括最小步长数、最大步长数和迭代次数；根据初始参数设定初始鸟巢位置，根据搜索参数对初始鸟巢位置信息和初始鸟巢位置最佳状态进行迭代调参获取得到多个剩余鸟巢位置和全局鸟巢位置最佳状态；从初始鸟巢位置和剩余鸟巢位置中获取与全局鸟巢位置最佳状态拟合度最高的鸟巢位置，作为最佳鸟巢位置；根据最佳鸟巢位置获取最优参数，并根据最优参数对第二模型进行优化，得到第二优化模型，最优参数包括最优惩罚参数和最优核参数。
[0013]在本申请一可选实施例中，将参数信息输入诊断模型中，当根据诊断模型确定变压器为故障状态时，生成故障信息并输出，包括：将参数信息输入诊断模型的第一模型中，第一模型根据参数信息提取出特征信息，将特征信息输入第二模型中；第二模型根据特征信息进行特征分类，从而确定出变压器的状态信息；当根据状态信息确定变压器为故障状态时，根据状态信息生成故障信息并输出，故障信息包括：故障部件、故障类型、故障特征、故障现象。
[0014]本申请还提供了一种变压器故障诊断装置，包括：参数获取模块，用于获取变压器油中的多种气体的参数信息，参数信息包括气体浓度、气体比例；模型构建模块，用于构建诊断模型，诊断模型由第一模型和第二模型融合训练得到，第一模型用于特征提取，第二模型用于特征分类；故障诊断模块，用于将参数信息输入诊断模型中，当根据诊断模型确定变压器为故障状态时，生成故障信息并输出。
[0015]本申请还提供了一种计算机设备，包括处理器和存储器：处理器用于执行存储器中存储的计算机程序以实现如前述的方法。
[0016]本申请还提供了一种计算机可读存储介质，存储有计算机程序，当计算机程序被处理器执行时实现如前述的方法。
[0017]采用本申请实施例，具有如下有益效果：
[0018]本申请能够通过构建由第一模型和第二模型融合训练的诊断模型进行诊断，在发挥第一模型数据处理优势的同时，兼顾第二模型在处理变压器油中气体多特征融合数据具有更高效、更准确的优点，从而改善诊断模型的鲁棒性，进一步提高故障诊断的分类精度、准度及效率，缩短故障查找及维修时间，保障电力系统的安全和稳定运行。
[0019]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0020]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0021]其中：
[0022]图1为实施例一提供的一种变压器故障诊断方法的流程示意图；
[0023]图2为实施例二提供的一种诊断模型建立的流程示意图；
[0024]图3为实施例二提供的不同诊断模型在不同特征类型下故障准确率对比表图；
[0025]图4为实施例三提供的一种变压器故障诊断装置的结构示意图；
[0026]图5为实施例三提供的一种计算机设备的结构示意框图。
具体实施方式
[0027]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变压器故障诊断方法，其特征在于，包括如下步骤：获取变压器油中的多种气体的参数信息，所述参数信息包括气体浓度、气体比例；构建诊断模型，所述诊断模型由第一模型和第二模型融合训练得到，所述第一模型用于特征提取，所述第二模型用于特征分类；将所述参数信息输入所述诊断模型中，当根据所述诊断模型确定所述变压器为故障状态时，生成故障信息并输出。2.如权利要求1所述的变压器故障诊断方法，其特征在于，所述构建诊断模型，包括：获取与所述参数信息对应的原始数据，对所述原始数据进行预处理，所述预处理包括数据划分、归一化处理、特征提取和标签设置；构建所述第一模型，利用预处理后的所述原始数据对所述第一模型进行预训练；构建所述第二模型，获取所述第一模型经过预训练后输出的特征信息，利用所述特征信息对所述第二模型进行训练；根据预训练后的第一模型和训练后的第二模型构建所述诊断模型。3.如权利要求2所述的变压器故障诊断方法，其特征在于，所述第一模型为卷积神经网络模型，所述卷积神经网络模型包括至少一个卷积层；所述构建第一模型，包括：获取预设的卷积层输入神经元个数、卷积大小、输入端填充值和步长；根据所述卷积层输入神经元个数、所述卷积大小、所述输入端填充值和所述步长确定所述卷积层的神经元维数；根据所述神经元维数对所述卷积层进行设置，以构建所述卷积神经网络模型。4.如权利要求3所述的变压器故障诊断方法，其特征在于，所述训练后的第二模型为支持向量机模型；所述根据预训练后的所述第一模型和训练后的第二模型建立得到所述诊断模型，包括：将所述卷积神经网络模型中的Softmax分类器替换为所述支持向量机模型，构建得到所述诊断模型。5.如权利要求2所述的变压器故障诊断方法，其特征在于，所述利用所述特征信息对所述第二模型进行训练，包括：通过布谷鸟搜索算法对所述第二模型进行迭代调参，得到第二优化模型；根据构建的所述第一模型和所述第二优化模型构建得到所述诊断模型。6.如权利要求5所述的变压器故障诊断方法，其特征在于，所述通过布谷鸟搜索算法对所述第二模型进行迭代调参，得到第二优化模型，包括：获...

【专利技术属性】
技术研发人员：龚泽威一，李昊，周帅，彭晶，游绍华，舒越，孙再超，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：